本篇是云积天赫近期内部讨论：“关于AI营销标签在品牌营销中能发挥什么样价值”的信息整理。

主要内容是通过2个案例应用，讲营销行业大模型在实际交付中给品牌方带来了哪些实实在在的价值。一家之言，难免偏颇，也欢迎大家一起参与探讨。

01 业务数据化 要看数据的质量、广度和聚合度

在数字化转型的浪潮中，数据被视为新时代的石油，对企业的成长和竞争力具有决定性的影响。

云积天赫在与全域营销打交道过程中，发现很多品牌方会对收集数据提出诉求：

“我要先收数，后续才能沟通如何使用。我想建自己的CDP，建DMP，做数据中台！”

（图片由AI生成）

但是好多伙伴都忽略了一个问题：

不管是自有数据还是购买数据，大量的数据没有被很好地清洗和治理的话，数据会变成企业的负担。

品牌方们对数据的需求，其实就是企业使用大数据所需达成的第一步：业务数据化。以数字化呈现和留存业务，实现数字赋能业务。

其中，是否能将数据价值真正显现，要看以下三个标准：

1. 数据质量：无效数据过多，占用了品牌的大量成本。
2. 数据广度：品牌方收集的数据都是基于自身体系收集，这个体系成为数据广度的天花板，它是制约品牌有效使用数据的枷锁。
3. 数据聚合：很多场域所收集的数据，电商平台也好、广告平台也罢、其他数据源等，可能都没有有效融合。

02 从业务数据化 到数据业务化

如何将我们想要的数据，从业务数据化到数据业务化进行有效衔接？

云积天赫提出的营销新范式带来了新的可能性：

通过关键内外数据相辅相成，能够打破数据孤岛，打开数据广度；

通过云积天赫两大能力：预测模型、推测模型：帮助数据通过模型应用于企业业务，真正赋能业务。

（图片由AI生成）

让我们来看看实际案例：

某教培品牌利用AI标签提升转化200%+

2023年，云积天赫与某教培行业第一梯队品牌方（后文简称A品牌）在AI助力营销能力升级上，做了一次共创。

大家都知道，近几年中国的教培行业经历了一场空前的震荡。剩者为王，最终只留下几个大的非K12的学科类的品牌。他们的用户主要是从投广告获取。

和我们一起共创的A品牌，他们注册用户就达到了2亿+，主要都是通过直播、短视频广告获取。当初他们的广告成本一天几万到十几万不等，峰值甚至可达一天几十万。

随着流量越来越贵，品牌也在思考，一个月大几百万的广告支出，不可能无休止进行下去。

有没有新的方式能帮助他们提升转化？

比如常规的精准营销，按照标签圈选人群，分层运营，但因为标签维度比较粗放，提升效果有限。

我们分析A品牌的需求其实是：希望能即时性找到具备高购买意向的精准人群。

因为现在大家生活节奏很快，对事物的喜好变化也比较快，今天种的草，明天可能就不稀罕了，所以即时性非常重要，要在当下这个时刻，对顾客的购买意向进行预测。并在预测之后进行个性化的一对一的沟通。

那么品牌的核心目标就有了：

1. 营销费用更合理的分配，带来更好的营销转化；
2. 匹配精准人群，更有效的革新化营销手段进行触达；
3. 充分发挥已有的数据价值，实现品牌增量。

（图片由豆包AI生成）

用魔法打败魔法 算法攻克人工短板

据服务商的特征数据，联合建模，针对大批量的人群做基础的分层，概率预测。

虽然说通过概率预测得到的依然是人群包，但此包非彼包，因为在过程中，大模型为每个顾客做了一个评分，即具象的购买意向度评分，进而可以将用户分层为高中低三个层级（或者更多层级）。

对于品牌来说，他们可以根据自身的营销预算，针对不同意向人群进行营销触达。

那么A品牌怎么做的呢？

他们使用AI外呼触达高意向人群，促进转化；

用内容营销对中低意向人群进行再种草，促老客召回，带动整体向高意向人群转化。

最终，A品牌在共创组的转化率比对照组高出200+%，客单价金额同样高出了100+%。

另一个是兴趣偏好度预测场景下的案例：

某奢品品牌通过标签增补提升顾客体验

这是个奢侈品行业的品牌，我们称之为B品牌。对于奢侈品行业来说，会员价值和客单价都很高，所以优质的顾客服务和体验是保住顾客的核心要素。

（图片由豆包AI生成）

当有新人成为会员的时候，他们希望针对这些新用户，进行“兴趣偏好”打标，完善每个人的画像标签。

但问题随之而来，单一的电商平台很难实现。而传统的方式都比较粗犷，或者人工分析。前者不够精准，后者成本非常高。

所以我们分析得出，B品牌的核心目标就是：

• 借助外部的数据，补足偏好，对品牌的人群数据做偏好补足；
• 完善用户画像，为品牌运营提供支撑；
• 提前了解顾客喜好，帮助导购做更好的服务和转化。

联邦建模 增补用户画像

云积天赫选择特征数据和隐私计算相结合的方式，对B品牌的会员进行画像增补，并指导品牌下一步的营销落地动作。

第一步，先利用天赫营销决策行业大模型和第三方数据服务商的特征数据做联邦建模。

第二步，基于联邦建模，通过深度学习得出顾客的兴趣预测标签。这里和上文的A品牌的购买意向预测不同，是预测兴趣偏好。顾客喜欢电影还是旅游，运动还是养生等等。

第三步，行业专家和数据科学家一起，对结果做分析，帮助品牌更快速、更全面地了解消费者。

当然也要看到，预测标签不是绝对静态的，这些标签组合后，品牌获得的人群画像就非常立体了。

从业务角度，品牌就可以基于想做的业务场景做定向营销，例如骑行、爬山、帆船、钓鱼、试驾等不同目的的专项高端活动。继而让整个用户的体感、售后的体验、会员的服务，相较其他品牌有了本质的区别。

从结果看，我们帮助B品牌增加了30多个标签维度，打标成功率达到95%，在后续会员服务、营销等动作应用上的标签应用率超过了80%。

大家肯定会好奇，我们是怎么做的。我们逐个分解一下“意向度预测”和“标签增补”的逻辑。

03 意向度预测

A品牌用到的是意向度预测场景。

首先，要计算顾客的分值。分值是通过机器深度学习的算法建模，以及隐私计算联邦建模得出；

第二步，品牌对分值划分区间，做高中低意向度分层，不同层级人群使用不同的营销策略。比如对高分人群，目的就是购买转化；中意向人群是促进活跃，向高意向人群转化，进而为整体的转化提升做贡献；低分人群就是沉默用户召回，和老用户激活。

第三步，根据分值采取不同的营销触达方式，对于高分值人群使用AI外呼去触达；低分值人群要通过公众号、小红书、抖音以及社群等渠道做内容营销、再种草。

04 兴趣偏好预测

B品牌用到的是兴趣度偏好预测场景。

首先，我们对B品牌的客户画像做了很立体的补充，这些人的兴趣偏好是骑车、爬山、打高尔夫、旅游、钓鱼等。我们就可以把这些人以兴趣维度组合到一起，变成骑车人群、爬山人群、打高尔夫人群、旅游人群等。

接下来，就可以根据品牌想做的业务场景，去做定向的营销。

比如专项活动邀约，让一群圈层高度重合，有大量共同语言的人聚在一起。体感和品牌认可度就随之提升了。这些活动可以是专项户外活动、品牌品鉴会、周边商品沙龙，权益推荐等。品牌认可度提升，复购只是时间早晚。

当然，针对不同类型活动，会采用不同的触达方式，这里不再赘述。

05 营销决策行业大模型

实现如上逻辑，离不开云积天赫的营销决策行业大模型，关于该模型的相关信息，可参考：

营销新范式！行业决策大模型+隐私计算 提升消费者预测和体验

它可以结合企业的知识库和数据库，做企业知识学习和行业知识训练。在这个应用的过程中，大模型也会针对用户提出的问题不断学习。

在企业知识学习的过程中，提升对行业的理解。两相结合形成了“天赫营销决策行业大模型”的核心优势：

既能针对企业品牌本身内容进行学习，也能对行业做深度的理解，从而实现预测推荐。

06 多场景应用

产品来自需求，天赫的营销决策行业大模型本身是从客户定制化需求中剥离出来的产品，因此它天然具备多种场景化能力：

智能导购

通过整体对话框的内容识别，在交流过程中给消费者引导并推荐商品，提升导购效率；

数据分析助手

大模型深度学习企业数据，帮助品牌在数据图表上增强数据观念能力，打造数据分析能力。提升效率，打通数据断层。

智能店铺

通过平台AI标签插件能力，打造AI店铺，实现商品个性化推荐。给用户一种“你很懂我”的感受。

营销预测助手

很多企业品牌被一个难题困扰：针对“冷线索”，如何进一步促活？

以汽车行业为例，营销预测助手可以在以往客户群体中，帮助预测近期有购车意向的人群，寻找增购、置换的潜在需求，并对这些人群进行针对性的营销动作和推送营销内容。

更多案例和产品资讯

请扫码联系云小智获取